"COMMUTING AND SELF-EMPLOYMENT IN NETHERLANDS" - MUNICH PERSONAL REPEC ARCHIVE - MUNICH ...
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Munich Personal RePEc Archive "Commuting and self-employment in Netherlands" Calvo, Elena Universidad de Zaragoza 22 April 2021 Online at https://mpra.ub.uni-muenchen.de/107322/ MPRA Paper No. 107322, posted 22 Apr 2021 10:29 UTC
Commuting y autoempleo en Países
Bajos
Elena Calvo Calvo
Universidad de Zaragoza
España
2021
Resumen
El presente trabajo tiene como foco estudiar los determinantes del tiempo de desplazamiento
al trabajo (tiempos de “commuting”) en los Países Bajos. Concretamente, se aspira a
cuantificar el efecto de ser autónomo, el género y la zona de residencia sobre el “commuting”.
Para ello, hemos tomado datos de la Encuesta Europea De Condiciones Laborales (2015) que
nos permite analizar grandes conjuntos de datos con técnicas informáticas y estadísticas
avanzadas. Los datos revelan una relación negativa entre el “commuting” y el ser
autoempleado. Este trabajo se elabora en aras de guiar acciones futuras que contribuyan a
mejorar la movilidad de la sociedad y con ella, su bienestar.
Abstract
This paper tries to analyze the commuting time in Netherlands. Concretely, it aspires to quantify
the effect of being self-employed, the gender and the area of residence in commuting time. In
order to do this analysis, we have taken data from the European Labor Survey (2015) what
allows us to analyze big datasets with advanced informatic and statistical techniques. It is found
that there is a negative relationship between commuting time and being self-employed. With
this, we have achieved some representative results for Netherlands’ society which attempt to
guide actions for improving its mobility as well as its well-being.
Palabras clave: Commuting time, Netherlands, self-employed workers, employees, mobility.
JEL Classification: R401. INTRODUCCIÓN Y OBJETIVOS
El presente trabajo tiene como foco estudiar el comportamiento de los trabajadores en
sus desplazamientos al trabajo en Países Bajos. Se enmarca, por lo tanto, en el marco de
investigaciones en torno a la movilidad, el cual ha aumentado paulatina pero considerablemente
en los últimos años. Y puesto que la diversidad que conforma la movilidad es inmensa, cada vez
son más los modelos que tratan de aproximarla.
Por ejemplo, los patrones de movilidad (tiempos de desplazamiento, entre otros) varían
significativamente entre hombres y mujeres; jóvenes y ancianos; entre niveles de renta y zonas
de residencia. Estas diferencias deben tenerse en cuenta para optimizar los programas de
movilidad en el futuro. En la medida que el tiempo de “commuting”, es decir, el tiempo que una
persona dedica a ir y volver del trabajo, es elevado y tiende a proporcionarnos “desutilidad”, su
reducción traería consigo beneficios para la sociedad en su conjunto. Entre los causantes de
dicha desutilidad se englobarían los costes monetarios derivados del desplazamiento (ej.
combustible), los costes en términos de tiempo (ej. menor tiempo de ocio) o su actuación como
condicionante a la hora de determinar el lugar de residencia. Además, elevados tiempos de
“commuting” pueden estar contribuyendo a los procesos de despoblación de las zonas rurales
que experimentan muchos países europeos.
Concretamente, el presente trabajo diferencia entre empleados y autoempleados, en lo
que a tiempo de desplazamiento al trabajo se refiere (Giménez et al., 2016, Giménez et al., 2019,
Giménez et al., 2020a, 2020b, 2020c, Molina et al., 2020). El análisis de las decisiones de los
autoempleados o emprendedores, en comparación de la situación de los asalariados, constituye
un tópico de especial relevancia desde el punto de vista económico y social. El emprendimiento
se relaciona con factores, no sólo económicos, sino institucionales y políticos. Normalmente, el
análisis del emprendimiento se realiza bajo un enfoque macroeconómico, basándose en el apoyo
gubernamental, institucional y hacendístico (Barrado et al., 2015). Sin embargo, esta
metodología permite analizar el efecto agregado del nivel de emprendimiento, no los atributos
individuales que determinan al emprendedor (Molina et al., 2016).
El autoempleo o emprendimiento ha suscitado una amplia literatura nacional e
internacional que compara las decisiones laborales de los asalariados con las de los
emprendedores (Giménez et al., 2015; Campaña et al., 2016, 2020; Molina, 2020). Además,
también se relacionan las decisiones emprendedoras con un amplio número de variables socio-
demográficas que condicionan la actividad emprendedora de los individuos, como el género, la
edad, la educación, la movilidad, las actividades dentro del hogar o sus finanzas (Giménez et al.,
2012; Giménez et al., 2016; Campaña et al. 2017; Giménez et al., 2018; Velilla et al., 2018, 2020;
Molina et al., 2016). Una base de datos habitual en el análisis del emprendimiento es el GEM, el
cual identifica un índice TEA para caracterizar a los emprendedores nacientes, emprendedores
por necesidad y emprendedores por oportunidad (Molina et al., 2016, 2017; Giménez et al., 2019;
Velilla, 2018).
1Adicionalmente, y dado que se observan diferencias significativas en función de si el
individuo es hombre o mujer, o de si vive en una zona rural o urbana, estas variables se estudian
en profundidad. El resto del trabajo está organizado de la siguiente manera: el apartado 2
muestra una revisión de la literatura sobre “commuting”; el apartado 3 describe los datos y las
variables objeto de estudio; el apartado 4 presenta el análisis econométrico llevado a cabo y,
para terminar, los apartados 5 y 6 muestran los principales resultados y conclusiones obtenidas,
respectivamente.
2. MARCO TEÓRICO
2.1. “Commuting” y bienestar
Investigaciones en torno al impacto que el tiempo de “commuting” tiene sobre la
satisfacción de los individuos, en España en este caso, muestran que el tiempo de
desplazamiento ejerce un impacto negativo en la satisfacción de los trabajadores y trabajadoras,
afectando a las segundas de manera desproporcionada (Simón, H. et al. 2020. Adicionalmente,
el impacto es mayor conforme aumenta el grado de urbanización de las ciudades, para los
trabajadores de menores ingresos y si se emplea el transporte público.
A pesar de sus efectos negativos sobre la satisfacción de los individuos, el “commuting”
puede replantarse de manera que sea una fuente también de beneficios. En tanto que está
ampliamente demostrado que caminar y mantenerse activo tiene amplios beneficios sobre la
salud física y psicológica en general, encontrar métodos para involucrar a la población
sedentaria, tanto a través del asesoramiento como de cambios en el diseño urbano, se torna
cuanto menos conveniente (Shephard, R.J. et al. 2008). A esto se le denomina “commuting
activo” y, aunque constituye una tendencia creciente, todavía dista mucho de ser la
predominante.
Adicionalmente, el tiempo de desplazamiento al puesto de trabajo influye en el
ausentismo y el desempeño laboral en la medida que tiene efectos sobre los niveles de
satisfacción y de salud de los individuos. El “commuting activo” también se revela como opción
para paliar e incluso revertir tales efectos (Ma, L. et al. 2019).
2.2. Empleados y autónomos
En cuanto a los que trabajan por cuenta propia, una investigación previa para Europa ha
encontrado que estos trabajadores muestran comportamientos diferentes en comparación con
los empleados, a favor de los primeros (Giménez-Nadal, J.I. et al. 2020). Los autores cuantifican
dicha divergencia en hasta 16 minutos que, adicional y diariamente, dedican a desplazarse al
puesto de trabajo los empleados con respeto a los autoempleados. La evidencia empírica
disponible para Estados Unidos también corrobora tales diferencias: los empleados dedican
hasta 7,22 minutos más al día para llegar al trabajo que los autoempleados. Esta divergencia
guarda relación con el tamaño de la población en cuestión y tiende a amplificarse en las zonas
rurales, cuestión que se tratará a continuación.
22.3. Zonas rurales y zonas urbanas
Los tiempos de desplazamiento en general, y al trabajo en particular, guardan una
estrecha relación con el tamaño de la población de residencia que se considere, así como de si
se trata de una zona urbana o rural.
Por un lado, en las áreas urbanas, el “commuting” tiende a aumentar conforme aumenta
el tamaño de las ciudades. Para evitar este y otros problemas de congestión asociados a las
grandes ciudades, cada vez son más las regiones que apuestan por diversificar su actividad en
no uno, sino varios emplazamientos clave. Sin embargo, la mayoría no han logrado grandes
cambios y, de estas, algunas incluso han continuado con su proceso de concentración (Burger,
M.J. et al. 2011). Como consecuencia, a medida que aumenta el tiempo de “commuting” en las
grandes ciudades aumenta la perdida de bienestar asociada a tales desplazamientos.
Por otro lado, y en parte debido a los problemas de congestión existentes en las
ciudades, los tiempos de “commuting” pueden incluso ser menores en las zonas rurales
(Giménez-Nadal, J.I. et al. 2018), a pesar de que este se ve incrementado en la medida que
puede generar desplazamientos fuera del lugar de residencia para trabajar.
2.4. Hombres y mujeres
Otros estudios se focalizan en los efectos que el tiempo de “commuting” tiene sobre la
salud psicológica de los hombres y mujeres, como es el caso del de Roberts, J. et al. 2011 en
Gran Bretaña. Para ello, elaboran un marco de efectos fijos que incluye variables determinantes
de la salud psicológica previa, así como factores que pueden proporcionar compensación por
tales desplazamientos, tales como los ingresos, la satisfacción laboral y la calidad de la vivienda.
Sus resultados revelan la existencia de un efecto perjudicial de tales desplazamientos sobre la
salud psicológica de las mujeres, no así de los hombres -resultado robusto a diversas
especificaciones-. Las razones que subyacen a este resultado se derivan de su mayor
responsabilidad en las tareas del hogar y en el cuidado de los hijos, fundamentalmente.
Sin embargo, en todos los casos estudiados por Giménez-Nadal, J.I. et al. 2020 las
mujeres presentan menores tiempos de desplazamiento que los hombres (Europa). Cabe
preguntarse qué subyace a tal patrón. Investigaciones como la de Craig, L. et al. 2019 explican
tales divergencias por la división del trabajo fuera y dentro del hogar y las opciones de transporte
disponibles. Sus hallazgos encuentran diferencias significativas entre el modo de transporte de
hombres y mujeres, y entre el tiempo destinado a llevar a los hijos en términos relativos para
Australia, Reino Unido, España y Finlandia. El estudio apunta, además, que se encuentran
diferencias entre países en función de su bagaje cultural, la conciliación laboral, entre otros.
En la misma línea, estudios realizados en Estados Unidos revelan que las mujeres
destinan relativamente menos tiempo en sus desplazamientos laborales (Gordon, P. et al. 1989)
e incluso están los que apuntan a una paulatina convergencia entre los tiempos de “commuting”
de hombres y mujeres. No obstante, apuntan los autores, las diferencias todavía persisten
3(Crane, R. et al. 2007). En cualquier caso, el presente trabajo pone su foco en Europa -los Países
Bajos- y se analiza qué sucede en concreto con nuestra muestra.
En definitiva, los estudios considerados evidencian que entre las principales causas de
tales diferencias por género en tiempos de “commuting” están: el reparto de las tareas
domésticas, el tipo de trabajo de cada uno de los miembros y el tipo de transporte utilizado.
Considerada la evidencia de que el tiempo de “commuting” puede tener un efecto perjudicial
diferencial sobre la salud psicológica, analizar qué genera tales diferencias puede aportar luz en
aras de su mitigación. De esta manera, y con previo conocimiento de causa, podrían
emprenderse acciones que mejorasen la movilidad de la sociedad en su conjunto.
En líneas generales, cabe esperar que el tiempo de “commuting” genere un efecto
negativo sobre la satisfacción de los individuos y mayor sobre el colectivo femenino.
Además, esperamos que el tiempo de “commuting” sea mayor en el caso de los empleados
que en el de los autónomos; en los hombres que en las mujeres y, por último, diferente en
función del grado de urbanización del lugar que se trate. Una vez estudiada la casuística de
los Países Bajos, procederemos con el análisis de las posibles causas que subyacen a tales
resultados.
3. DATOS
Los datos proceden de la Encuesta Europea sobre Condiciones de Trabajo (EWCS)
elaborada por el Eurofund en 2015. La EWCS proporciona información armonizada sobre las
condiciones laborales en Europa, así como la información sociodemográfica pertinente.
Concretamente, nuestra muestra se restringe a los trabajadores por cuenta ajena
(empleados) o propia (autoempleados) de los Países Bajos. Por lo tanto, el análisis se limita a
los individuos entre 16 y 65 años – ambos incluidos- que manifiestan en dicha encuesta estar
empleados o ser autoempleados, en base a lo que se construye una variable dummy tal que
toma el valor 1 para los autoempleados y 0 para los empleados. Por su parte, el tiempo de
“commuting” se mide en minutos por día, y se aproxima mediante las respuestas de los
encuestados a la pregunta: “¿cuántos minutos por día sueles pasar viajando de casa al trabajo
y viceversa?”.
Adicionalmente se toman en consideración variables demográficas que pueden estar
correlacionadas con el tiempo de “commuting” de los encuestados, las cuales se recogen en la
Tabla 1 junto a sus correspondientes distribuciones. Estas constituyen: la edad de los
encuestados, su nivel educativo, la composición del hogar (el número de miembros del hogar -
incluido el encuestado-, la convivencia en pareja o en solitario, el empleo de la pareja, el número
de hijos menores de 5 años y de entre 5 y 17 años -ambos incluidos-). Finalmente, se incluyen
otras variables relacionadas con el empleo (trabajador a tiempo completo y del sector público) y,
como apuntábamos, con el lugar de residencia (zona urbana, interurbana o rural) de los
4encuestados. La mayoría de estas variables constituyen una dummy tal que toma valor 1 si se
da y 0 en caso contrario.
Es importante considerar las características del hogar ya que la investigación previa ha
revelado la existencia de una relación significativa entre estas y el tiempo de desplazamiento de
los trabajadores. Asimismo, un mayor nivel educativo, trabajar por cuenta ajena (empleado) y
vivir en una zona urbana suelen asociarse con mayores tiempos de “commuting”, como se ha
visto en el apartado 2. Aquellos individuos que no proporcionaron toda la información necesaria
para el estudio (datos ausentes) se omiten del estudio.
En líneas generales, nuestra muestra se compone de 895 individuos, de los cuales 759
son empleados y 136 autónomos; 448 mujeres y 447 hombres; y, por último, 380 viven en una
zona urbana, 376 en una zona interurbana y 139 en una zona rural.
4. VARIABLES: ANÁLISIS DESCRIPTIVO
Las características sociodemográficas que se han tomado en consideración por guardar
relación con el tiempo de “commuting” se recogen en la Tabla 1.
Los principales estadísticos de estas variables -en función de si el encuestado es
autoempleado o empleado- se recogen en la Tabla 2. También se muestra la proporción de
autoempleados o empleados que viven en áreas urbanas, interurbanas y rurales. Observamos
diferencias tales como mayor número de empleados –en términos relativos- viviendo en las
zonas urbanas con respecto a las rurales, y viceversa. El 42% de los autoempleados residen en
áreas urbanas y 36,8% en áreas intermedias urbanas, frente a un 42,6% y 43,0% de los
empleados, respectivamente, siendo estas diferencias significativas. Esto deja al 21,3% de los
autoempleados y al 14,5% de los empleados viviendo en zonas rurales.
Por último, la Tabla 3 muestra el tiempo promedio dedicado a desplazamiento de
autoempleados y empleados por zonas de residencia. Observamos que los autoempleados en
áreas urbanas gastan alrededor de 22,2 minutos en sus desplazamientos diarios al trabajo,
mientras que los empleados en las mismas condiciones dedican 43,3 minutos. Del mismo modo,
el autoempleado medio que reside en un área interurbana destina 24,3 minutos frente a los 47
minutos dedicados por los empleados. Estas diferencias ascienden a 37 y 52 minutos para
autoempleados y empleados en las zonas rurales. No obstante, este resultado difiere con una
de las hipótesis del marco teorico, por la que la diferencia entre el tiempo de “commuting” de los
autoempleados y empleados era mayor en las zonas rurales (Giménez-Nadal, J.I. et al. 2020) -
aquí obtenemos lo contrario-. La Tabla 3 se comenta con más profundidad en el apartado de
resultados.
5En todos los casos, el tiempo de “commuting” es mayor para los hombres que para las
mujeres, a excepción de las mujeres empleadas en zonas urbanas. Este resultado sí está en
línea con el realizado en Giménez-Nadal, J.I. et al. 2020 para Europa.
Tabla 1: Lista de variables
NOMBRE DE LA VARIABLE VALORES
1. Gender 1 “hombre” / “0” mujer
2. Age 16-65
3. Primary education 1 “sí”/ 0 “no”
4. Secondary education 1 “sí”/ 0 “no”
5. Universitary education 1 “sí”/ 0 “no”
6. Partner 1 “sí”/ 0 “no”
7. Partner working 1 “sí”/ 0 “no”
8. Family size 1-6
9. Childnum under 5 0-3
10. Childnum 5-17, 0-5
11. Self employed 1 “sí”/ 0 “no”
12. Full time worker 1 “sí”/ 0 “no”
13. Public sector worker 1 “sí”/ 0 “no”
15. Urban_area 1 “sí”/ 0 “no”
16. Urban_intermediate 1 “sí”/ 0 “no”
17. Rural_area 1 “sí”/ 0 “no”
6Tabla 2: Principales Estadísticos
SELF-EMPLOYED (136 obs) EMPLOYEES (759 obs) DIFFERENCE
VARIABLES
Mean S.D. Mean S.D. Diff. P-value
“Commuting” time 26,147 38,531 46,198 37,553 -20,051 < .001⁎⁎⁎
Gender 0,537 0,500 0,492 0,500 0,045 0.345
Age 47,404 10,485 43,067 12,965 4,337 < .001⁎⁎⁎
Primary education 0,213 0,411 0,233 0,423 -0,02 0.610
Secondary education 0,301 0,461 0,343 0,475 -0,042 0.350
Universitary education 0,485 0,502 0,424 0,495 0,061 0.186
Partner 0,662 0,475 0,644 0,479 0,018 0.694
Partner working 0,515 0,502 0,48 0,500 0,035 0.5403
Family size 2,676 1,403 2,647 1,296 0,029 0.808
Childnum under 5 0,147 0,464 0,179 0,476 -0,032 0.467
Childnum 5-17 0,676 1,060 0,458 0,864 0,218 0.009⁎⁎⁎
Full time worker 0,706 0,457 0,565 0,496 0,141 0.002⁎⁎⁎
Public sector worker 0,125 0,332 0,213 0,410 -0,088 0.017⁎⁎
Urban_area 0,419 0,495 0,426 0,495 -0,007 0.888
Urban_intermediate 0,368 0,484 0,430 0,495 -0,062 0.178
Rural_area 0,213 0,411 0,145 0,352 0,068 0.042⁎⁎
Tabla 3: “Commuting time” según el grado de urbanización
SELF-EMPLOYED EMPLOYEES DIFFERENCE
VARIABLES
Mean S.D. Mean S.D. Diff. P-value
General
Urban area 22,263 31,547 43,334 34,8833 21,0715. MODELO
Nuestro objetivo es analizar las diferencias en el tiempo de desplazamiento entre
autoempleados y empleados, explorando los factores que contribuyen a tales diferencias. Con
ese fin, seguimos a Giménez-Nadal, J.I. et al. 2020 y analizamos las diferencias en tiempos de
desplazamiento entre autoempleados y empleados, una vez habida cuenta de la heterogeneidad
observada en la muestra. Para ello se estima un modelo DOLS* (Mínimos Cuadrados Ordinarios
Dinámicos) que relaciona el tiempo dedicado a los desplazamientos al trabajo en función de la
condición de autoempleado de los individuos y una serie de variables de control. Estimamos la
siguiente ecuación:
(1) Yi* = β0 + βSESEi + βxXi + εi
Donde Yi* es una variable latente definida como: Ci = 0 si Yi*≤ 0 y Ci = Yi* si Yi*> 0, siendo
Ci los minutos de “commuting” diarios del individuo "i". La variable SE i es una ficticia que indica
si la persona "i" es autoempleada (valor 1) o empleada (valor 0), Xi el vector de variables
sociodemográficas y laborales, y εi el término de error. La ecuación (1) estima por separado para
hombres y mujeres, dado que ellas presentan, en general, tiempos de “commuting” menores que
los varones. Dado que el lugar de residencia (urbano, interurbano o rural) también incide en los
tiempos de “commuting”, reestimamos el modelo incluyendo un vector Ui de variables urbanas
tal y como se muestra a continuación:
(2) Yi* = β0 + βSESEi + βUUi + βSEUSEiUi + βxXi + εi
donde la interacción entre la situación de autoempleo de los trabajadores y el vector de
características urbanas, SEiUi, se incluye para capturar cualquier correlación potencial entre el
tiempo de viaje y carácter de autoempleado o empleado de los trabajadores, según el nivel de
urbanización de su lugar de residencia.
Las columnas (1) y (2) de la Tabla 4 corresponden a la formulación más simple de la
ecuación (1) donde se explica el tiempo de “commuting” en función del carácter de autoempleado
o empleado para mujeres y hombres. Por su parte, las columnas (3) y (4) muestran estimaciones
de la ecuación (1) cuando incluimos las características sociodemográficas y familiares de los
trabajadores (edad, educación y composición del hogar), pero no los atributos laborales. En lo
que compete al nivel de educación máximo alcanzado por el trabajador, “Primary education” se
toma como la categoría de referencia. La introducción de estas variables apenas cambia los
resultados, ya que los coeficientes de interés siguen siendo negativos y significativos.
Las columnas (5) y (6) incluyen el conjunto completo de características
sociodemográficas y laborales (edad, educación, composición del hogar, trabajador a tiempo
completo y del sector público).
*Dado que la endógena puede tomar valor “0” inicialmente se plantea un modelo Tobit, pero este aporta los mismos resultados que
el modelo DOLS, por lo que se procede con el segundo de ambos (Giménez-Nadal, J.I. et al. 2020).
8Tabla 4: Ecuación (1)
(1) (2) (3) (4) (5) (6)
VARIABLES
Men Women Men Women Men Women
Self-employed -14,607⁎⁎⁎ -28,685⁎⁎⁎ -18,189⁎⁎⁎ -29,056⁎⁎⁎ -18,110⁎⁎⁎ -32,794⁎⁎⁎
(5,573) (3,881) (5,788) (3,777) (5,807) (4,063)
Age 0,226 -0,124 0,206 -0,0849
(-0,182) (0,170) (0,186) (0,171)
Secondary -1,418 -8,358 -1,800 -7,902
education (4,135) (5,490) (4,149) (5,658)
Universitary 14,739⁎⁎⁎ 11,206⁎⁎⁎ 14,867⁎⁎⁎ 9,697⁎⁎
education (5,285) (5,642) (5,322) (5,606)
Partner 0,411 2,722 -0,825 3,596
(6,411) (5,665) (6,636) (5,856)
Partner working 5,630 5,318 5,568 6,129
(4,940) (5,439) (4,941) (5,603)
Family Size -2,920 -2,605 -2,377 -1,475
(2,054) (1,625) (2,075) (1,677)
Childnum under 5 5,141 -0,373 4,104 -0,137
(3,741) (3,972) (3,861) (3,870)
Childnum 5-17 1,967 1,202 1,561 1,124
(3,113) (2,175) (3,140) (2,193)
Full time worker 7,815 12,801⁎⁎
(5,602) (4,559)
Public sector -1,627 -4,646
worker (5,425) (4,417)
Constant 46,481⁎⁎⁎ 44,533⁎⁎⁎ 35,084⁎⁎⁎ 48,788⁎⁎⁎ 29,494⁎⁎⁎ 41,025 ⁎⁎⁎
(2,230) (2,039) (10,192) (10,567) (9,879) (11,144)
Obs 447 448 447 448 447 448
Note: Robust standard errors in parentheses. ⁎⁎⁎ p < .01 / ⁎⁎ p < .05 / ⁎ p < .1
Por otro lado, la estimación de la ecuación (2), que incluye el efecto sobre los tiempos
de “commuting” del lugar de residencia (urbano, interurbano o rural) del trabajador se recoge en
la Tabla 5. En este caso, vivir en una zona rural se toma como la categoría de referencia.
Tabla 5: Ecuación (2)
(1) (2)
VARIABLES
Men Women
Self-employed -8,211 (15,199) -32,015(7,969) ⁎⁎⁎
Urban area -18,644 (6,931) ⁎⁎⁎ -12,451 (5,948) ⁎⁎
Urban intermediate -5,459 (6,727) -7,684 (6,086)
Self-employed*
Urban area -17,389 (15,987) 5,651 (11,221)
Urban intermediate -0,482 (18,571) -8,992 (9,615)
Constant 45,466 (12,384) ⁎⁎⁎ 50,145 (12,877) ⁎⁎⁎
Obs 447 448
Note: Robust standard errors in parentheses. ⁎⁎⁎ p < .01 / ⁎⁎ p < .05 / ⁎ p < .1
9Para comprobar la robustez del modelo, se ha estimado la ecuación (1) restringiendo la
muestra el sector privado y público. Los resultados se recogen en la Tabla 6 y aporta resultados
cualitativamente similares.
Tabla 6: Test de Robustez
Private sector Public sector
(1) (2) (3) (4)
VARIABLES
Men Women Men Women
Self-employed -19,164 (6,088) ⁎⁎⁎ -32,995 (4,77) ⁎⁎⁎ -11,448 (20,248) -26,714 (8,719) ⁎⁎⁎
Age 0,366 (0,206) ⁎ -0,948 (0,195) -0,318 (0,601) 0,172 (0,425)
Secondary -0,412 (4,465) -4,146 (6,304) -7,056 (11,768) -16,203 (12,534)
education
Universitary 18,686 (5,654) ⁎⁎⁎ 14,644 (6,002) ⁎⁎ -7,347 (12,754) -5,063 (14,019)
education
Partner -8,992 (7,030) 7,434 (6,347) 31,728 (19,044) -7,603 (13,553)
Partner working 7,507 (4,899) -0,645 (5,843) 3,659 (18,700) 31,253 (11,862) ⁎⁎
Family Size -1,173 (2,247) -1,309 (1,959) -8,776 (6,868) -3,953 (4,557)
Childnum under 5 4,743 (4,295) 0,382 (4,722) 2,477 (9,637) -1,296 (7,821)
Childnum 5-17 1,689 (3,297) 1,459 (2,399) -2,049 (8,637) 1,776 (6,6454)
Full time worker 8,759 (6,091) 15,091 (5,425) ⁎⁎⁎ 3,214 (11,771) 7,159 (9,018)
Constant 21,252 (10,637) ⁎⁎ 37,714 (12,450) ⁎⁎⁎ 63,180 (39,638) 34,947 (26,388)
Obs 364 352 83 96
Note: Robust standard errors in parentheses. ⁎⁎⁎ p < .01 / ⁎⁎ p < .05 / ⁎ p < .1
6. RESULTADOS
La Tabla 4 muestra los resultados de estimar la ecuación (1) para hombres y mujeres
por separado, cuyos coeficientes constituyen los efectos marginales asociados a las variables
explicativas.
En primer lugar, las columnas (1) y (2) muestran los resultados cuando tan sólo la
variable dicotómica para los autoempleados/empleados se incluye entre los regresores, tanto
hombres como mujeres presentan un coeficiente negativo y una alta correlación entre la cualidad
de ser o no autoempleado (self-employed) y el tiempo de “commuting”. Concretamente, los
hombres autoempleados dedican –en promedio- 14,6 minutos menos al día que sus contrapartes
empleadas, mientras que para las mujeres esta diferencia asciende a 28,6 minutos.
En segundo lugar, las columnas (3) y (4) muestran los resultados cuando entre la
explicativas incluimos características sociodemográficas y familiares (edad, educación y
composición del hogar). Estas variables apenas cambian la correlación entre la cualidad de ser
o no autoempleado y el tiempo de “commuting”, los coeficientes de interés siguen siendo
10negativos y significativos, aumentando ligeramente en valor absoluto para ambos casos -18,2
minutos menos de “commuting” al día para el caso de los hombres autoempleados y 29 menos
para las mujeres autoempleadas frente a sus contrapartes -con respecto a las estimaciones en
las columnas (1) y (2)-.
En tercer lugar, las columnas (5) y (6) incluyen el conjunto completo de características
sociodemográficas y laborales (edad, educación, composición del hogar, trabajador a tiempo
completo y del sector público). Las estimaciones de los coeficientes principales se mantienen de
nuevo cualitativa y cuantitativamente sin cambios con respecto a las columnas anteriores. Los
resultados sugieren que los hombres autoempleados viajan alrededor de 18,1 minutos menos al
día que los empleados, mientras que para las mujeres este valor es de hasta 32,8 minutos
menos. En todos los casos los coeficientes son significativos al 1%.
En lo que compete al resto de coeficientes, la significatividad individual de los parámetros
cae considerablemente. La única variable, además de “Self-employed” y el término constante,
que se revela significativa para cualquiera sea la especificación elegida, es la variable “University
education”, característica que, al darse, hace que los hombres universitarios dediquen en torno
a 15 minutos más al día en sus desplazamientos al trabajo y las mujeres universitarias 10 minutos
más que aquellos con sólo educación primaria (variable de referencia).
Variables como la edad, el nivel máximo de educación secundaria, vivir en pareja o cómo
sea el trabajo de la pareja, no se encuentran correlacionadas con el tiempo de desplazamiento.
Tampoco el tamaño de la familia se revela significativo, ni el número de hijos menores de 5 y
entre 5 y 17 años, ni el hecho de pertenecer al sector público. En cuanto a las características del
puesto, las mujeres dedican 12,8 minutos más a desplazarse que sus contrapartes que no
trabajan a tiempo completo, mientras que para los hombres esta variable tampoco es
significativa.
Esta no significatividad generalizada en las variables limita considerablemente nuestra
capacidad de extraer conclusiones en lo que a la "hipótesis de las responsabilidades del hogar"
(Gimenez-Nadal y Molina, 2016) se refiere. Probablemente, y en base a lo observado en otros
estudios, esto se solucionaría de contar con una muestra de individuos más extensa.
Además, cabe señalar que el pseudo R-Cuadrado es bajo en todas las regresiones
consideradas, característica común en las investigaciones de “commuting” dada la complejidad
de aproximar un fenómeno que depende de factores estocásticos o no observables, como el
clima, la congestión del tráfico o las infraestructuras de comunicación (Gimenez-Nadal et al.,
2020).
116.1. Diferencias en los tiempos de “commuting” por características de urbanización
Los resultados de la Tabla 4 muestra una relación negativa entre el tiempo de
“commuting” y el carácter de autoempleado (o no) del individuo, revelando que los
autoempleados hombres y mujeres dedican –en promedio- 14,6 y 28,6 minutos menos al día que
sus contrapartes empleadas. No obstante, dichas diferencias pueden deberse, en parte, a
diferentes características de su lugar de residencia, siguiendo la línea de la investigación de
Gimenez-Nadal et al. (2000).
A este respecto, la Tabla 3 revela las diferencias existentes entre el tiempo de
“commuting” en función de si el individuo es hombre o mujer, y en función del grado de
urbanización de su lugar de residencia.
En líneas generales y sin proceder todavía a la diferenciación por género, los
autoempleados dedican al día 21,1; 22,7 y 15,2 minutos menos a “commuting” que los empleados
si residen en una zona urbana, interurbana o rural, respectivamente.
Por su parte, los hombres autoempleados y empleados que residen en una zona urbana
dedican 21,8 y 41,8 minutos al “commuting”, 45,3 y 50,6 los que viven en una zona interurbana
y 54,7 y 59,2 los que residen en áreas rurales, respectivamente. Estas diferencias ponen de
manifiesto que los hombres autoempleados dedican 20 minutos menos a commuting que los
empleados si viven en una zona urbana; 5,3 minutos menos si viven en una zona interurbana y
14 minutos menos si viven en una zona rural, aunque estas diferencias sólo se revelan
significativas para los residentes en zona urbana.
Por otro lado, las mujeres autoempleadas y empleadas que residen en una zona urbana
dedican 23,1 y 44,8 minutos al “commuting”, 9,1 y 43,2 los que viven en una zona interurbana y
15 y 45,9 los que residen en áreas rurales, respectivamente. Estas diferencias ponen de
manifiesto que las mujeres autoempleadas dedican 21,7 minutos menos en commuting que las
empleadas si viven en una zona urbana; 34,1 menos si viven en una interurbana y 30,9 minutos
menos si lo hacen en una rural, siendo todas las diferencias significativas.
La Tabla 5 muestra las estimaciones de la ecuación (2). Las columnas (1) y (2) muestran
las estimaciones para hombres y mujeres, respectivamente. Los resultados nuevamente revelan
una correlación negativa entre la cualidad de ser o no autoempleado y el tiempo de “commuting”,
tal que los hombres y mujeres autoempleados dedican 8,2 y 32 minutos menos a “commuting”
que los empleados. No obstante, dicha correlación sólo es significativa para las mujeres.
Sin embargo, tales tiempos difieren significativamente en función de si el individuo vive
en una zona urbana, interurbana o rural. Cuando analizamos las diferencias entre trabajadores
autoempleados y empleados según el grado de urbanización (considerando vivir en una zona
rural como la categoría de referencia) sólo la variable "urban área” es significativa. Procedemos
con su interpretación y observamos que, mientras que los hombres autoempleados que viven en
12zonas rurales dedican 8,2 minutos menos a desplazarse al trabajo que los empleados, los que
viven en zonas urbanas dedican hasta 35,7 (-8,2-17,2) minutos menos.
Por su parte, las mujeres autoempleadas que viven en zonas rurales dedican 32 minutos
menos a desplazarse que las empleadas, mientras que las que viven en zonas urbanas dedican
26,4 (-32+5,6) minutos menos –recordamos que estas constituían la excepción de nuestra
muestra para la que los tiempos de “commuting” eran mayores en las áreas urbanas que en las
rurales-.
Tanto en el caso de los hombres como de las mujeres, las interacciones entre la variable
dicotómica “self-employed” y las características urbanas son no significativas, lo que indica que,
aunque el tiempo de “commuting” si está correlacionado con las características de urbanización,
las diferencias entre los autoempleados y empleados no lo están. Nótese que la Tabla 5 muestra
solo los principales coeficientes de interés, pero las estimaciones incluyen las mismas variables
de control que las Columnas (5) y (6) de la Tabla 4.
Estos resultados están en la línea de los presentados en el marco teórico por Gimenez-
Nadal et al. (2018) para Estados Unidos. No obstante, no podemos contrastar nuestros
resultados con los hallazgos reportados en Gimenez-Nadal et al. (2020) para Europa Occidental
de que existen mayores diferencias entre autoempleados y empleados en las zonas rurales,
puesto que tal diferencia no es significativa en nuestra muestra. Esto puede deberse a un menor
tamaño muestral, no obstante, la relación fundamental entre “self-employed” y “commuting-time”
se mantiene.
Lo que sí puede concluirse es que nuestros resultados están en línea con investigaciones
previas que sugieren la existencia de una relación compleja entre los comportamientos de
desplazamiento y la estructura urbana (Gimenez-Nadal et al., 2018). Porque, entre otros motivos,
no se controla la distancia de los trayectos, la congestión del tráfico o los nodos de transporte
utilizados, entre otras variables cuyo impacto puede no ser nada desdeñable.
6.2. Robustez del modelo
Para comprobar la robustez del modelo se ha estimado la ecuación (1) restringiendo la
muestra el sector privado y público. Los resultados se recogen en la Tabla 6 y aporta resultados
cualitativamente similares, aunque las diferencias entre asalariados y autónomos aumentan
ligeramente.
En el caso del sector privado, las variables explicativas siguen siendo significativas y el
número de observaciones se mantiene elevado. Por el contrario, el número de observaciones
decae considerablemente cuando trabajamos con los trabajadores públicos, por consiguiente, la
significatividad de los regresores se ve mermada. De tal limitación se deriva que el trabajo se
focalice tan sólo en la estimación para el sector privado, la cual, al ratificar cualitativa y
cuantitativamente nuestras conclusiones previas, ratifica también la robustez del modelo.
137. CONCLUSIONES
El presente trabajo tiene como foco estudiar el comportamiento de los individuos en sus
desplazamientos al trabajo en los Países Bajos, utilizando la Encuesta europea de condiciones
laborales de 2015. Los datos revelan una correlación negativa y significativa entre el tiempo de
desplazamiento al trabajo (tiempo de “commuting”) y la cualidad de autoempleado (self-
employed) de los trabajadores. Concretamente, los hombres autoempleados dedican a tal
desplazamiento, en promedio, 18,1 minutos menos por día que los empleados; por su parte, las
mujeres autoempleadas dedican 32,8 minutos menos al día que las empleadas.
Estos resultados están en línea con otras investigaciones realizadas para Europa y
Estados Unidos. Además, los resultados sugieren que las características urbanas son
determinantes a la hora de explicar los tiempos de “commuting”, los cuales son menores si nos
situamos en una zona urbana.
En la medida que el tiempo de “commuting” es elevado y tiende a proporcionarnos
“desutilidad”, y una vez considerados los hallazgos procedentes de investigaciones previas que
se abordan en el marco teórico -y que revelan la existencia de un efecto perjudicial diferencial
sobre la salud psicológica de los individuos como consecuencia del tiempo de “commuting”-,
aumentar nuestra compresión en torno al mismo se torna imprescindible para emprender
acciones que mejoren la movilidad de la sociedad en su conjunto y, con ella, su bienestar.
Por ejemplo, ofrecer alternativas que reduzcan los mayores tiempos de “commuting” en
las zonas rurales frente a las urbanas pueden ayudar a estabilizar el proceso de concentración
urbana que ha caracterizado a las últimas décadas, bien incentivando el empleo en las zonas
rurales o bien proporcionando nodos de transporte más eficientes. Además, reducir los
desplazamientos tendría efectos beneficiosos sobre el tráfico en las carreteras y la acuciante
contaminación del aire en las ciudades, las cuales, a más grandes, más problemas de
contaminación, de congestión y, por lo tanto, más tiempo de “commuting” enfrentan.
Para terminar este trabajo, cabe señalar alguna de las limitaciones que el mismo
enfrenta. En primer lugar, los datos utilizados son de corte transversal y, por lo tanto, las
estimaciones deben interpretarse como correlaciones condicionales y no se pueden derivar
relaciones causales. De manera similar, no podemos controlar los factores individuales no
observados. Para superar estos problemas, futuras investigaciones podrán adoptar un enfoque
de datos de panel.
Adicionalmente, las limitaciones de los datos y del tamaño de la muestra nos impiden
realizar una exploración más profunda acerca de qué variables subyacen a las diferencias entre
hombres y mujeres. Por ejemplo, cabría estudiar de qué manera factores como los roles de
género -relacionados con las responsabilidades del hogar (Craig y van Tienoven, 2019)- u otros
factores psicológicos (Simón, H. et al. 2020) se interrelacionan con los tiempos de “commuting”
de los individuos.
148. BIBLIOGRAFÍA
Barrado, B. and Molina, J.A. (2015). Factores macroeconómicos que estimulan el
emprendimiento. Un análisis para los países desarrollados y no desarrollados. DTECONZ, 2005-
06.
Burger, M.J., de Goei, B., Van der Laan, L., Huisman, F.J. (2011). “Heterogeneous development
of metropolitan spatial structure: evidence from commuting patterns in English and Welsh city-
regions, 1981–2001”. Cities 28 (2), 160–170.
Campaña, J.C., Giménez-Nadal, J.I. and Molina, J.A. (2016). Differences between self-
employees and wage earners in time uses: Aragón vs. Spain. MPRA Paper 71463.
Campaña, J.C., Giménez-Nadal, J.I. and Molina, J.A. (2020). Self-employed and employed
mothers in Latin American families: are there differences in paid-work, unpaid work and child
care? Journal of Family and Economic Issues, 41, 52-69. DOI:10.1007/s10834-020-09660-5.
Craig, L., Van Tienoven, T.P. (2019). “Gender, mobility and parental shares of daily travel with
and for children: a cross-national time use comparison”. J. Transp. Geogr. 76, 93–102.
Crane, R. (2007). “Is there a quiet revolution in women's travel? revisiting the gender gap in
commuting”. J. Am. Plan. Assoc. 73 (3), 298–316.
Gimenez-Nadal, J. and Ortega-Lapiedra, R. (2010). Self-employment and time stress: The effect
of leisure quality. Applied Economics Letters, 17(17), 1735-1738.
Giménez-Nadal, J.I., Molina, J.A. and Ortega, R. (2012). Self-employed mothers and the work-
family conflict. Applied Economics, 44, 2133-2148.
Gimenez-Nadal, J. and Sevilla, A. (2014). Total work time in Spain: evidence from time diary
data. Applied Economics, 46 (16), 1894-1909. DOI: 10.1080/00036846.2014.887194
Giménez-Nadal, J.I. , Molina, J.A. and Velilla, J. (2015). Excess commuting in the US: Differences
between the self-employed and employees. IZA DP Nº 9425.
Giménez-Nadal, J.I. and Molina, J.A. (2016). Commuting time and household responsibilities:
evidence using propensity score matching. Journal of Regional Science, 56, 332- 359.
Giménez-Nadal, J.I. , Molina, J.A. and Velilla, J. (2016). A wage- efficiency spatial model for US
self-employed workers. IZA DP Nº 9634.
Giménez-Nadal, J.I. , Molina, J.A. and Velilla, J. (2018). The commuting behavior of workers in
the United States: differences between the employed and the self-employed. Journal of Transport
Geography, 66, 19-29. DOI: 10.1016/j.jtrangeo.2017.10.011
Giménez-Nadal, J.I. y Molina, J.A. (2019). "Daily feelings of US workers and commuting time".
Journal of transport & health, 12, pp. 21-33 DOI: 10.1016/j.jth.2018.11.001.
15Giménez-Nadal, J.I. y Molina, J.A. (2019). "Green commuting and gasoline taxes in the United
States". Energy policy, 132, pp. 324-331 DOI: 10.1016/j.enpol.2019.05.048.
Giménez-Nadal, J.I. , Lafuente, M., Molina, J.A. and Velilla, J. (2019). Resampling and bootstrap
algorithms to asses the relevance of variables: applications to cross-section entrepreneurship
data. Empirical Economics, 56, 233-267. DOI:10.1007/s00181-017-1355-x.
Giménez-Nadal, J.I., Molina, J.A. and Velilla, J. (2019). Modeling commuting time in the US:
Bootstrapping techniques to avoid overfitting. Papers in Regional Science, 98(4), 1667-1684.
DOI:10.1111/pirs.12424.
Gimenez-Nadal, J.I., Molina, J.A., and Velilla, J. (2020a). Trends in Commuting Time of European
Workers: A Cross-Country Analysis. IZA Discussion Papers, No. 12916, Institute of Labor
Economics (IZA), Bonn.
Giménez-Nadal, J.I., Molina, J.A. and Velilla, J. (2020b). Commuting and self-employment in
Western Europe. Journal of Transport Geography, forthcoming. DOI:
10.1016/j.trangeo.2020.102856.
Giménez-Nadal, J.I., Molina, J.A. and Velilla, J. (2020c). Elderly’s mobility to and from work in
the US: metropolitan status and population size. IZA Discussion Papers, No. 13949, Institute of
Labor Economics (IZA), Bonn.
Gordon, P., Kumar, A., Richardson, H.W. (1989). “Gender differences in metropolitan travel
behavior”. Reg. Stud. 23 (6), 499–510.
Ma, L., Ye, R., (2019). “Does daily commuting behavior matter to employee productivity?”. J.
Transp. Geogr. 76 (1), 130–141.
Molina, J.A., R. Ortega and J. Velilla (2016). Entrepreneurial activity in the OECD: Pooled and
cross-country evidence.
Molina, J.A. and J. Velilla (2016). Innovation as a determinant of entrepreneurship. MPRA Papers
71471.
Molina, J.A., Velilla, J. and Ortega, R. (2016). The decision to become an entrepreneur in Spain:
the role of household finances. International Journal of Entrepreneurship, 20(1), 57-73.
Molina, J.A., R. Ortega and J. Velilla (2017). Feminization of entrepreneurship in developing
countries.
Molina, J.A. (2020). Family and entrepreneurship: new empirical and theoretical results. Journal
of Family and Economic Issues, 41, 1-3. DOI:10.1007/s10834-020-09667-y.
Molina, J.A., Giménez-Nadal, J.I. and Velilla, J. (2020). Sustainable commuting: Results from
asocial approach and international evidence on carpooling. Sustainability, 12(22), 9587.
DOI:10.3390/su12229587.
16Roberts, J., Hodgson, R. y Dolan, P. (2011). “It's driving her mad: Gender differences in the
effects of commuting on psychological health” J. Health Econ. 30 (5), 1064–1076.
Shephard, R.J. (2008). “Is active commuting the answer to population health?” Sports Med. 38
(9), 751–758.
Simón, H., Casado-Díaz, J.M., Lillo-Bañuls, A. (2020). “Exploring the effects of commuting on
workers' satisfaction: evidence for Spain”. Reg. Stud. 54 (4), 550–562.
Velilla, J., J.A. Molina and Ortega, R. (2018). Why older workers become entrepreneurs?
International evidence using fuzzy set methods. The Journal of the Economics of Ageing, 12, 88-
95. DOI: 10.1016/j.jeoa.2018.03.004.
Velilla, J., J.A. Molina and Ortega, R. (2020). Entrepreneurship among low-, mid and high-income
workers in South America: a fuzzy-set analysis. IZA Discussion Papers, No. 13209, Institute of
Labor Economics (IZA), Bonn.
17También puede leer
